[發明專利]數據處理方法、裝置、電子設備及可讀介質

在審

• 申請號: 201910093584.4
• 申請日: 2019-01-30
• 公開（公告）號: CN111507466A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 張偉華;吳江旭;李凡;徐榮圖;石海龍;張洪光;孔磊鋒;胡淼楓;王璟璟;馬事偉
• 申請（專利權）人: 北京沃東天駿信息技術有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/063
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 袁禮君;闞梓瑄

本公開提供一種數據處理方法、裝置、電子設備及可讀介質，該方法應用于售貨裝置，包括：實時采集與所述售貨裝置相關的數據作為待處理數據；將所述待處理數據輸入至少一個運算模型，并基于所述至少一個運算模型將其拆分為多個運算任務；根據預定規則將所述多個運算任務分發至多個運算單元進行運算；對所述多個運算任務的運算結果進行整合，以生成對所述待處理數據的處理結果；以及基于所述處理結果，對所述售貨裝置進行進一步操作。本公開的數據處理方法、裝置、電子設備及可讀介質，能夠在不更新設備器材的基礎上實時完成多種數據處理任務，提高了場景適應能力與運算效率。

技術領域

本公開涉及數據處理技術領域，尤其涉及一種數據處理方法、裝置、電子設備及計算機可讀介質。

背景技術

近年來，人工智能算法發展迅速，深度學習神經網絡在計算機視覺領域的各類應用中取得了重大的突破，如圖像分類、目標檢測、圖像分割等。隨著算法準確度的提升，神經網絡的深度在不斷增加，模型結構也在不斷復雜化，其計算過程需要大量的計算資源。同時，在將人工智能應用在現有安防、娛樂、廣告、醫療、教育等領域時，其末端計算設備通常具有攝像頭、顯示屏等基礎設施。為在上述場景增加人工智能分析功能，同時又不希望更新其原生設備，將人工智能端化，低成本地部署在實時性高、數據吞吐量大、網絡條件無法保障的邊緣節點上，是一個重點研究的發展方向。

針對上述問題，學術界提出了輕量化神經網絡、模型壓縮等手段。此類方案雖在模型結構設計、壓縮存儲、速率優化上給出了方案，但其性能例如實時性、通用性、可移植性方面等尚無法滿足真正的邊緣部署需求。

此外，為實現人工智能的端化，已有人工智能攝像頭、人工智能硬件設備以及人工智能芯片被推出。但人工智能芯片需要對前端設備進行整體更新替換，造成資源浪費；同時攝像頭定制化嚴重，功能單一，可運行的智能分析有限。而人工智能硬件設備體積大，成本高，且與公司開發套件高度相關，不適用與大量的前端設備升級改造及復雜多樣的業務需求。同時，人工智能芯片主要用于特定領域，如智能駕駛等，對其進行相關應用開發，基本不可行。

因此，需要一種新的數據處理方法、裝置、電子設備及計算機可讀介質。

在所述背景技術部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

有鑒于此，本公開提供一種數據處理方法、裝置、電子設備及計算機可讀介質，能夠在不更新設備器材的基礎上實時完成多種數據處理任務，提高了場景適應能力與運算效率。

本公開的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本公開的實踐而習得。

根據本公開實施例的第一方面，提出一種數據處理方法，該方法應用于售貨裝置，包括：實時采集與所述售貨裝置相關的數據作為待處理數據；將所述待處理數據輸入至少一個運算模型，并基于所述至少一個運算模型將其拆分為多個運算任務；根據預定規則將所述多個運算任務分發至多個運算單元進行運算；對所述多個運算任務的運算結果進行整合，以生成對所述待處理數據的處理結果；以及基于所述處理結果，對所述售貨裝置進行進一步操作。

在本公開的一種示例性實施例中，還包括：在根據預定規則對所述多個運算任務分發失敗時，將所述運算任務分發至備用運算單元進行運算。

在本公開的一種示例性實施例中，還包括：獲取來自服務端的至少一個第一運算模型；以及對所述至少一個第一運算模型進行格式轉換，以生成所述至少一個運算模型。

在本公開的一種示例性實施例中，所述運算模型包括：模型版本信息、操作符信息、模型圖信息。

在本公開的一種示例性實施例中，根據預定規則將所述多個運算任務分發至多個運算單元進行運算包括：獲取所述每一運算單元的運算能力和/或所述售貨裝置的距離信息；以及根據所述每一運算單元的所述運算能力和/或所述距離信息為其分發可運算的至少一個運算任務。